【正文】 (碩士論文 ). 合肥工業(yè)大學， 2021 系 (教研室 )主任： （簽章） 年 月 日 學院主管領導： （ 簽章） 年 月 日 江蘇科技大學 本科畢業(yè)設計（論文） I 摘 要 船用 鍋爐主蒸汽壓力調節(jié)對象含有大慣性、大滯后環(huán)節(jié)， 而 常規(guī) PID 控制方法不具備自適應能力，所以 很難滿足實際的控制要求。 通過對 傳統(tǒng) PID 控制原理和 BP 算法的 學習， 設計 基于 BP 神經(jīng)網(wǎng)絡的 PID 控制器， 實現(xiàn)傳統(tǒng) PID 控制器參數(shù)的在線自動調整， 利用神經(jīng)網(wǎng)絡的自學習能力來實現(xiàn)最佳組合的 PID 控制。 BP 神經(jīng)網(wǎng)絡結合傳統(tǒng) PID 控制方法在鍋爐蒸汽壓力中的應用，取得了良好的控制效果。 BP neural work。一個 先進的、易于應用的控制算法的出現(xiàn)會對工業(yè)生產(chǎn)產(chǎn)生巨大的推動作用。其中的原因有很多，如推廣不積極、應用上不成熟、存在缺陷等，但一個很明顯的原因就是理論研究尚且缺乏實際應用背景的支持 [1]。由于其特殊的工作環(huán)境，相對普通電站蒸汽系 統(tǒng)而言，船舶蒸汽動力系統(tǒng)具有慣性小、動態(tài)過程變化大、各子系統(tǒng)的關聯(lián)和制約因素多等特點。 在實驗室中無法復現(xiàn)真實的工業(yè)生產(chǎn)過程，條件上往往相差很多。 神經(jīng)網(wǎng)絡 PID 控制系統(tǒng)是基于實際操作中多次測試得到的鍋爐主蒸汽壓力數(shù)學模型，集自動化儀表技術、計算機技術和自動控制技術為一體的仿真系統(tǒng)。 人工神經(jīng)網(wǎng)絡的研究內容 人工神經(jīng)網(wǎng)絡可以概括地定義為：由大量簡單的高度互聯(lián)的處理元素 (神經(jīng)元 )組成的復雜網(wǎng)絡計算系統(tǒng)。 從某種意義上說，人工神經(jīng)網(wǎng)絡、并行分布處理和神經(jīng)計算機是統(tǒng)一的概念。 人工神經(jīng) 網(wǎng)絡的研究和發(fā)展經(jīng)歷了一條曲折的道路，分為興起、蕭條、興盛和高潮4 個時期。 Rumelhart 等人最重要的貢獻是提出了適用于多層神經(jīng)網(wǎng)絡模型的誤差反向傳播江蘇科技大學 本科畢業(yè)設計（論文） 2 （ Error BackPropagation, BP），該方法將學習結果反饋到中間層的隱含節(jié)點中，解決了多層神經(jīng)網(wǎng)絡的學習問題。 人工神經(jīng)網(wǎng)絡主要應用領域： （ 1） 知識處理：神經(jīng)網(wǎng)絡可以從數(shù)據(jù)中自動獲取數(shù)據(jù)（知識），把新知識結合到它的映射函數(shù)中去，使得神經(jīng)網(wǎng)絡非常適合于處理某類知識，特別是不精確的知識。在金融、銀行、保險行業(yè)的應用主要是進行顧客群體特征分析、市場研究消費傾向分析等。最優(yōu)的調度算法是一個 NP 完全性問題。 （ 4） 信號處理：神經(jīng)網(wǎng)絡同樣也被廣泛地應用于信號處理，如目標檢測、畸變波形的恢復、雷達回波的多目標分類、運動目標的速度估計、多目標跟蹤等。 （ 5） 自動控制：早在 1962 年， WiCirow 就提出了一個神經(jīng)網(wǎng)絡可以成功地學會平衡一個干擾抑制器的控制算 法，即著名的 LMS 算法 [4]。顯然，這可以用到機器人的攝像機控制上，而且還可以應用到諸如火炮之類的武器系統(tǒng)中去。 論文內容安排 本文主要介紹了應用最為廣泛的 BP 算法，結合具體的控制對象和傳統(tǒng) PID 控制方法，對它們的控制效果進行了 對比分析。利用 BP 神經(jīng)網(wǎng)絡的優(yōu)點，基于 BP 神經(jīng)網(wǎng)絡設計 PID 控制器，改善系統(tǒng)的控制性能，無論在理論還是實踐上都具有重要意義。 BP 神經(jīng)網(wǎng)絡 PID 控制器融合 BP 神經(jīng)網(wǎng)絡和傳統(tǒng) PID 控制器的特點，具有很好的應用價值。 第二章 神經(jīng)網(wǎng)絡概述，本章簡要介紹了幾種主要的人工神經(jīng)網(wǎng)絡模型及工作原理、作用函數(shù)和學習方法，包括： MP 模型、單神經(jīng)元模型、感知器模型和 BP 神經(jīng)網(wǎng)絡模型。在結合第二章基礎知識的基礎上，結合傳統(tǒng) PID控制器和神經(jīng)網(wǎng)絡的特點，設計了單神經(jīng)元的 PID控制器和 BP神經(jīng)網(wǎng)絡 PID控制器。 仿真 實現(xiàn)傳統(tǒng)PID 控制算法和神經(jīng)網(wǎng)絡 PID 控制算法對控制對象模型的控制，并繪制仿真 曲線圖。 江蘇科技大學 本科畢業(yè)設計（論文） 4 第 2章 神經(jīng)網(wǎng)絡概述 引言 簡單地講，人工神經(jīng)網(wǎng)絡是指用大量的簡單計算單元 (即神經(jīng)元 )構成的非線性系統(tǒng)，它在一定程度和層次上模仿了人腦神經(jīng)系統(tǒng)的信息處理、存儲及檢索功能，因而具有學習、記憶和計算等智能處理功能。由于神經(jīng)網(wǎng)絡由大量簡單計算單元組成，因而易于用軟硬件來實現(xiàn) [5]。 人工神經(jīng)網(wǎng)絡的基本理論 人工神經(jīng)元的形式化描述 模擬生物神經(jīng)網(wǎng)絡時應該首先模擬生物神經(jīng)元。 人工神經(jīng)元一般是一個 多輸入 /單輸出的非線性器件，其結構模型如圖 21 所示。 ) W 1 k W 2 k W n kX 1X 2X n . .u kb ky k圖 21 人工神經(jīng)元結構 其數(shù)學形式為： ?? ??nj kjjkk bxwfy 1 )( （ 21） 其中， 1x , 2x , nkw 為神經(jīng)元 k 的連接權值，kb 為閥值， ky 為神經(jīng)元 k 的輸出。(f 為神經(jīng)元轉換函數(shù)，神經(jīng)元的輸出都是由它得來。激活函數(shù) 可以是線性的江蘇科技大學 本科畢業(yè)設計（論文） 5 也可以是非線性的。最上一層為輸出層，最下一層為輸入層，中間層為隱含層，可由實際需要設計隱含層層數(shù)。感知器就屬于這種網(wǎng)絡類型。 Fukushima 網(wǎng)絡就是這種網(wǎng)絡類型的典型代表。很多自組織網(wǎng)絡屬于這種類型。全互連網(wǎng)絡中的每個神經(jīng)元都與其他神經(jīng)元相連。 Hopfield網(wǎng)絡和 Boftzmann機都屬于這一類網(wǎng)絡。該模型 的基本思想是：神經(jīng)細胞的工作方式是或者興奮或者抑制。 MP 模型是一個多 輸入單輸出的非線性處理單元，示意圖如圖 22 所示。 神經(jīng)元輸出 iy 可用下式描述： )(1?? ??ni jijij wxfy ? （ 22） 設 ?? ??ni jijij wxu 1 ? （ 23） 則 )( jj ufy ? （ 24） )(xf 是作用函數(shù)，即激發(fā)函數(shù)。 一般的神經(jīng)元模型 MP 模型過于簡單，且權值不能學習，因此實際上需要更復雜、靈活性更高的神經(jīng)元模型。 與 MP 模型一樣 , Tnxxxx ),....,( 21? 為神經(jīng)元的輸入， Tnw ),. .. ,( 21? 為可調的輸入權值， ? 為偏移信號，用于建模神經(jīng)元的興奮閥值。(u 和 )（也稱神經(jīng)元函數(shù)、擠壓函數(shù)或活化函數(shù)） [7]。(u 是一個多輸入單輸出的函數(shù) ),( ?wxuu ? ；激活函數(shù)的作用是對基函數(shù)輸出 u 進行“擠壓”： )(ufy? ，即通過非線性函數(shù) ) u ( )0x 1 x 2x 3..w 1 圖 23 通用神經(jīng)元模型 江蘇科技大學 本科畢業(yè)設計（論文） 7 感知器模型 感知器（ Perception）是模擬人的視覺，接收環(huán)境信息，并由神經(jīng)沖動進行信息傳遞的神經(jīng)網(wǎng)絡。后來由于單層感知器在非線性不可分問題方面的局限性，人們又提出了多層感知器模型，在原有基礎上增加了隱含層。 ∑ ?w 1w j w nu 1u ju n ..xf ( x )w 0 μ 0 = 1y. 圖 24 單層感知器模型 感知器的輸出為： ? ?? ???? nj nj jjjj uwfuwfy 1 0 )()( ? （ 25） 其中， ju 為感知器的第 j 個輸入； ???0w （閥值）； 10?u 。 多層感知器如下圖所示： u 1u 2W Az 2z 1yW B 圖 25 多層感知器結構 江蘇科技大學 本科畢業(yè)設計（論文） 8 對于多層感知器網(wǎng)絡，有如下定理： 若隱層節(jié)點（單元）可任意設置，則用三層閥值節(jié)點的網(wǎng)絡可以實現(xiàn)任意的二值邏輯函數(shù)。 BP 神經(jīng)網(wǎng)絡 BP 神經(jīng)網(wǎng)路概述 Rumelhart 和 與 1986 年提出了多層網(wǎng)絡的誤差反向傳播算法（ Error BackPropagation Training），即 BP 算法，系統(tǒng)解決了多層網(wǎng)絡中隱含單元的連接權問題，預示著 BP 網(wǎng)絡的出現(xiàn) [9]。 BP 神經(jīng)網(wǎng)絡的結構如圖 26 所示， u 、 y 為網(wǎng)絡的輸入、輸出向量，每一個神經(jīng)元用一個節(jié)點表示，網(wǎng)絡有輸入層、隱含層和輸出層節(jié)點組成。 ijku......輸 入 層隱 含 層 輸 出 層 圖 26 多層前饋網(wǎng)絡結構 BP 學習算法的計算公式及流程圖 設 BP 神經(jīng)網(wǎng)絡為三層網(wǎng)絡，輸入神經(jīng)元以 i 編號，隱含層神經(jīng)元以 j 編號，輸出層神經(jīng)元以 k 編號，計算公式如下： 隱含層第 j 個神經(jīng)元的輸入為： ??i iijj ow （ 26） 第 j 個神經(jīng)元的輸出為： 江蘇科技大學 本科畢業(yè)設計（論文） 9 )( jj go ? （ 27） 輸出層第 k 個神經(jīng)元的輸入為： ??j jkjk ow （ 28） 相應的輸出為： )( kk go ? （ 29） 式中， g —— s 函數(shù)，有： )(1 1)( ????? xexg （ 210） 式中， ? —— 閥值或偏置值 , 0?? ，則使 S 曲線沿橫坐標左移，反之則右移。 學習過程中，設第 k 個輸出神經(jīng)元的希望輸出為 pkt ，而網(wǎng)絡輸出為 pko ，則系統(tǒng)平均誤差為： ?? ??k pkpkp otpE2)(21 （ 213）略去下標 p ，式（ 213）可寫成 ? ??k kk otE2)(21 （ 214） 式中， E —— 目標函數(shù)。如果它是從 A點開始向下滑行，則最終到達全局最小點 B[11]。 如果通過網(wǎng)絡訓練， BP 網(wǎng)絡的輸出達到目標要求后，網(wǎng)絡各節(jié)點之間的連接權值就確定下來了，我們就可以認為 BP 網(wǎng)絡已經(jīng)學習好了，我們就可以利用這個訓練好的網(wǎng)絡對未知樣本進行識別預測了 [12]。學習規(guī)則可以分為兩類：有監(jiān)督學習和無監(jiān)督學習。 無監(jiān)督學習就是不需要外部教師信號，因而不能確切知道正確的反應是什么，學習表現(xiàn)為自適應于輸入空間的檢測規(guī)則。 常見的學習規(guī)則為： (1)無監(jiān)督 Hebb 學習規(guī)則 Hebb 學習規(guī)則是一類相關學習，它的基本思想是：如果兩個神經(jīng)元同時被激活，則它們之 間的連接強度的增強與它們激勵的乘積成正比。 (2)有監(jiān)督的 Delta 學習規(guī)則 在 Hebb 學習規(guī)則中，引入教師信號，將式 (214)中的 jo 換成目標輸出 jd 與實際輸出 jo 之差，就組成了有監(jiān)督的 Delta 學習規(guī)則： 江蘇科技大學 本科畢業(yè)設計（論文） 12 )())()(()()1( kokokdkwkww ijjijijij ?????? ? (215) 即兩神經(jīng)元間連接強度的變化量與教師信號 )(kdj 和網(wǎng)絡實際輸出信號 )(koj 之差成正比。 BP 網(wǎng)絡的學習過程由正向和反向傳 播兩部分構成。反向傳播過程 將誤差信號沿著原 來路徑返回，通過不斷修正各層神經(jīng)元 權值，逐次地向輸入層傳播進行計算，修改之后的權值再經(jīng)過正向傳播，將期望輸出與實際輸出比較。所以說， BP 網(wǎng)絡是一個有導師的學習過程。目前， PID 控制器占工業(yè)生產(chǎn)過程用控制器 90%以上的份額，尤其適用于可建立精確數(shù)學模型的確定性控制系統(tǒng)。 PID 控制器的原理及其特點 ① PID 控制器的原理 PID 控制系統(tǒng)的結構圖如圖 31 所示： 比 例微 分積 分 對 象r ( t ) e ( t ) u ( t ) y ( t )